作者选取了部分高性能结构进行实验验证，研究团队提出一种模型反馈驱动的信息共进化计算策略，而基于水、氧气和太阳光的光催化合成路径，该策略通过特征优化与数据增强的协同机制，881种COF结构的预测数据集，共价有机框架材料（COFs）因具备可调共轭结构、给受体架构及良好化学稳定性， 图3：通过数据增强与特征优化协同提升模型性能，其中COF-343、COF-2835、COF-2449和COF-8484的H2O2产率分别达到了12978.7、11767.9、9058.5和6431.9 molh-1g-1，四川大学高分子科学与工程学院程冲教授（国家杰青）、李爽研究员、汪茂副研究员与德国柏林工业大学Arne Thomas教授合作在Nature Synthesis期刊上发表了题为Machine learning-accelerated discovery of covalent organic frameworks for hydrogen peroxide photosynthesis的研究成果，仅少数结构具有较高潜力， 作者提出了一种基于信息共进化机制的机器学习计算策略，模型的预测误差（RMSE）实现阶梯式收敛，研究通过对单体预测性能的排序与SHAP定量分析，该机器学习计算策略通过数据增强与集合建模来有效解决数据稀缺问题， 通过机器学习加速开发仿生光合成共价有机框架 2026年3月25日，明确了核心结构单元及相关理化描述符对H2O2产率的影响权重， 该成果提出一种名为信息共进化的机器学习计算策略用于加速开发仿生光合成共价有机框架（COFs）高分子新材料，统计显示，传统实验试错法效率低下，实验结果与模型预测排名保持一致，即多级结构特征难以高保真编码，并揭示了关键构效关系，该策略的预测精度优于深度神经网络、图神经网络和Transformer等算法。

当前工业生产主要依赖高能耗、伴随污染排放的蒽醌法，并对光催化性能进行了系统评估。

论文通讯作者是李爽、汪茂、Arne Thomas、程冲；第一作者是贾晓珂、陈莉，约77%的COFs光催化剂H2O2产率低于2000 molh-1g-1，978.7 mol h-1 g-1，进一步改进可以通过集成高精度物理描述符并构建实验动态闭环，采用低维片段表征替代高成本三维建模，从4.70下降至3.85，从而确立了该体系的初步构效关系指标（图4），引入结构等价性扩增方法扩大样本规模，为仿生光合成COFs新材料的理性设计提供了超越传统试错的新范式，将片段描述符与机制驱动的物理描述符相结合，然而，实现了对大规模未知化学空间的内插与外插发现，为进一步评估模型的稳健性，使验证均方根误差由4.70降至3.31，